1英国伦敦帝国学院,伦敦帝国学院 德国5塞维利亚研究所神经病学系,ibis/Hospital Universitorio virgen delRocío/csic/csic/塞维利亚大学/塞维利亚大学,医院,塞维利亚医院,西班牙塞维利亚6神经血管研究实验室,VALL D'希伯伦研究所(VHIR)研究所VHALS D'HEBRON,SPIAN BORD,BARORNA,BARERONA,BARERONA,umrone umrone um um um um um umrone um um um um um umrone, 5287,法国波尔多市Incia 5287,波尔多大学医院,中风单位,法国波尔多9 UMR 1219 Bordeaux人口健康中心,波尔多大学波尔多大学,波尔多10号。和人口科学,国王学院伦敦,伦敦,英国伦敦13 NIHR应用研究合作(ARC)南伦敦,伦敦,英国伦敦,14英国临床医学系,丹麦·奥尔堡大学阿尔堡大学卫生学院,丹麦德国5塞维利亚研究所神经病学系,ibis/Hospital Universitorio virgen delRocío/csic/csic/塞维利亚大学/塞维利亚大学,医院,塞维利亚医院,西班牙塞维利亚6神经血管研究实验室,VALL D'希伯伦研究所(VHIR)研究所VHALS D'HEBRON,SPIAN BORD,BARORNA,BARERONA,BARERONA,umrone umrone um um um um um umrone um um um um um umrone, 5287,法国波尔多市Incia 5287,波尔多大学医院,中风单位,法国波尔多9 UMR 1219 Bordeaux人口健康中心,波尔多大学波尔多大学,波尔多10号。和人口科学,国王学院伦敦,伦敦,英国伦敦13 NIHR应用研究合作(ARC)南伦敦,伦敦,英国伦敦,14英国临床医学系,丹麦·奥尔堡大学阿尔堡大学卫生学院,丹麦德国5塞维利亚研究所神经病学系,ibis/Hospital Universitorio virgen delRocío/csic/csic/塞维利亚大学/塞维利亚大学,医院,塞维利亚医院,西班牙塞维利亚6神经血管研究实验室,VALL D'希伯伦研究所(VHIR)研究所VHALS D'HEBRON,SPIAN BORD,BARORNA,BARERONA,BARERONA,umrone umrone um um um um um umrone um um um um um umrone, 5287,法国波尔多市Incia 5287,波尔多大学医院,中风单位,法国波尔多9 UMR 1219 Bordeaux人口健康中心,波尔多大学波尔多大学,波尔多10号。和人口科学,国王学院伦敦,伦敦,英国伦敦13 NIHR应用研究合作(ARC)南伦敦,伦敦,英国伦敦,14英国临床医学系,丹麦·奥尔堡大学阿尔堡大学卫生学院,丹麦德国5塞维利亚研究所神经病学系,ibis/Hospital Universitorio virgen delRocío/csic/csic/塞维利亚大学/塞维利亚大学,医院,塞维利亚医院,西班牙塞维利亚6神经血管研究实验室,VALL D'希伯伦研究所(VHIR)研究所VHALS D'HEBRON,SPIAN BORD,BARORNA,BARERONA,BARERONA,umrone umrone um um um um um umrone um um um um um umrone, 5287,法国波尔多市Incia 5287,波尔多大学医院,中风单位,法国波尔多9 UMR 1219 Bordeaux人口健康中心,波尔多大学波尔多大学,波尔多10号。和人口科学,国王学院伦敦,伦敦,英国伦敦13 NIHR应用研究合作(ARC)南伦敦,伦敦,英国伦敦,14英国临床医学系,丹麦·奥尔堡大学阿尔堡大学卫生学院,丹麦
©作者2023。Open Access本文是根据Creative Commons Attribution 4.0 International许可获得许可的,该许可允许以任何媒介或格式使用,共享,适应,分发和复制,只要您对原始作者和来源提供适当的信誉,请提供与创意共享许可证的链接,并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中,除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料,并且您的预期用途不受法定法规的允许或超过允许的用途,则您需要直接从版权所有者那里获得许可。要查看此许可证的副本,请访问http://创建ivecommons。org/licen ses/by/4。0/。Creative Commons公共领域奉献豁免(http://创建ivecommons。Org/publi cdoma in/Zero/1。0/1。0/)适用于本文中提供的数据,除非在数据信用额度中另有说明。
摘要 心房颤动是一种临床上重要的心律失常。有一些关于使用心电图数据进行 AF 诊断的机器学习模型的报道。然而,很少有报道提出一种可解释的人工智能 (XAI) 模型,使医生能够轻松理解机器学习模型的诊断结果。我们开发并验证了一种基于卷积神经网络 (CNN) 算法的支持 XAI 的心房颤动诊断模型。我们使用了 Holter 心电图监测数据和梯度加权类激活映射 (Grad-CAM) 方法。我们使用了 2016 年 1 月 4 日至 2019 年 10 月 31 日期间记录的患者心电图数据,共计 57,273 个 30 秒的心电图波形槽,每个波形槽都有心脏病专家注释的诊断信息,用于训练我们提出的模型。我们的人工智能模型用于房颤诊断的性能指标如下:敏感性 97.1%(95% CI:0.969-0.972);特异性 94.5%(95% CI:0.943-0.946);准确率 95.3%(95% CI:0.952-0.955);阳性预测值 89.3%(95% CI:0.892-0.897);F 值 93.1%(95% CI:0.929-0.933)。使用我们的模型进行房颤检测的受试者工作特征曲线下面积为 0.988(95% CI:0.987-0.988)。此外,使用 XAI 方法,我们的机器学习模型确定的感兴趣区域中的 94.5 ± 3.5% 被心脏病专家确定为 AF 诊断的特征部位。使用我们提出的基于 CNN 的 XAI 模型,AF 被准确诊断并用 Holter ECG 波形得到良好解释。我们的研究朝着实现可行的基于 XAI 的 AF 诊断检测模型又迈出了一步,供医生使用。(Int Heart J 2021;62:534-539)关键词:卷积神经网络、机器学习、Holter 监测、梯度加权类激活映射
摘要:背景:这项研究旨在确定风险因素和发病率,并为心脏衰竭患者的心力衰竭开发预测风险模型(AF)。方法:这是2014年至2017年之间泰国非浮力AF患者的前瞻性多中心注册表。主要结果是发生HF事件。使用多变量COX-PROPARTIANTION模型开发了一个预测模型。使用C-指数,D统计量,校准图,Brier检验和生存分析评估预测模型。结果:平均随访时间为25.7±10.6个月,共有3402例患者(平均67.4岁,男性为58.2%)。随访期间有218例患者发生心力衰竭,每100人年的发病率为3.03(2.64–3.46)。该模型中有十个HF临床因素。从这些因素开发的预测模型的C-指数和D统计量为0.756(95%CI:0.737–0.775)和1.503(95%CI:1.372–1.634)。校准图在预测模型和观察到的模型之间显示出良好的一致性,校准斜率为0.838。使用Bootstrap方法确认了内部验证。Brier分数表明该模型对HF具有良好的预测。结论:我们为AF患者提供了良好的临床HF预测模型,具有良好的预测和歧视值。
房颤(AF)是最常见的持续性心律失常,也是西方国家最重要的公共卫生问题和健康支出的原因之一(1)。AF患者的中风风险高5倍,死亡风险高2倍,而AF也会对生活质量产生负面影响(1,2)。早期检测对于最大程度地减少并发症至关重要。心电图(ECG)被认为是心律不齐检测的黄金标准,但其应用仅限于临床环境,使同时记录症状发作,具有挑战性(3)。此外,AF通常是无症状的,并且可能仍未发现,直到并发症(例如血栓栓塞事件)发生为止(4)。使用可穿戴设备通过传感器记录重要参数,可以通过提供有关患者在家的心血管状态的数据来实现移动诊断(5-8)。这些解决方案可以进行有效且易于筛查,并通过早期发现异常和适当的治疗干预来减少心血管疾病的并发症(7)。光绘画学的进步(PPG)
房颤(AF)是一种常见心律失常,治疗后复发率高。个性化计算模型可用于研究AF基础的患者特定机制,探索个性化的治疗方法,并在硅试验中进行大规模。为了确保在临床实践中的准确性,可重复性和现实摄取,调查需要一致地构建特定于患者数据的模型。因此,清晰且用户友好的模型管道非常关键,应考虑最终用户的开发。心房建模工具包(Atrialmtk:https:// gi thub.com/pcmlab/atrialmtk)允许用户生成用于电生理模拟的心房网格,并结合心房,纤维和跨层次的跨层间。多个工作流程允许使用几种可能可用于用户的输入数据类型,而网格类型和光纤分布选项允许用户研究各种因素对纤维性动力学的影响。该管道已由多个操作系统的多个用户进行了测试,以确保兼容性和可用性,并且在1000个房地产几何形状的先前研究中证明了该管道的大规模成功。通过将测试扩展到更广泛的受众群体,我们旨在增加临床参与度以及在临床实践中的建模和数字双胞胎的吸收。
抽象的客观房颤(AF)按年龄筛查的产量低,并错过了年轻人。我们旨在在全国范围内常规收集的初级保健数据中开发一种算法,以预测6个月内发生AF的风险(未来对房颤的新创新(Find-AF)(Find-AF))。方法,我们使用了来自≥30岁的个人的初级保健电子健康记录数据,但在英国临床实践研究数据链接数据集在1998年1月2日至2018年11月30日之间,随机分为培训(80%)和测试(20%)数据集。我们使用年龄,性别,种族和合并症培训了一个随机的森林分类器。Prediction performance was evaluated in the testing dataset with internal bootstrap validation with 200 samples, and compared against the CHA 2 DS 2 -VASc (Congestive heart failure, Hypertension, Age >75 (2 points), Stroke/ transient ischaemic attack/thromboembolism (2 points), Vascular disease, Age 65–74, Sex category) and C 2 HEST (Coronary artery disease/Chronic obstructive肺部疾病(每种1分),高血压,老年人(≥75,2分),收缩性心力衰竭,甲状腺疾病(甲状腺功能亢进症))得分。COX比例危害模型具有竞争性死亡风险的危险模型适合于较高和较低的发现风险之间的长期AF。2 081 139个人群中的结果,7386在6个月内开发了AF。Find-Af可以应用于所有记录。与较低的预测风险相比,较高的预测风险队列的AF发生率高20倍,AF的长期危害较高(HR 8.75,95%CI 8.44至9.06)。In the testing dataset (n=416 228), discrimination performance was strongest for FIND-AF (area under the receiver operating characteristic curve 0.824, 95% CI 0.814 to 0.834) compared with CHA 2 DS 2 - VASc (0.784, 0.773 to 0.794) and C 2 HEST (0.757, 0.744 to 0.770), and robust by sex and族裔。结论Find-AF,一种机器学习算法,可按常规收集的初级保健数据进行大规模适用,并确定了较高的短期AF风险的人。
抽象简介:心房颤动是全球最常见的心律不齐,与缺血性中风和心力衰竭有关。心房颤动患者通常以维生素K拮抗剂或非维生素K拮抗剂口服抗凝剂的形式处方长期抗凝剂。但是,两者都有不良出血的潜在风险。所涵盖的区域:本文阐明了靶向凝血因子XI和XII或其活化形式的新兴抗凝剂(分别为Xia和XIIA)在内在的凝血途径内。作者检查了美国国家医学图书馆(www.clinicaltrials.gov)上PubMed,Scopus和临床试验注册中可用的数据。专家意见:靶向因子XI或XII的疗法可以产生抗凝功效,从而减少不良出血的可能性。靶向因子XI或XII的优点包括更宽的治疗窗口和减少出血。需要长期的随访研究,并且需要对安全性和有效性有更深入的了解。房颤是一种慢性疾病,因此口服制剂的发展是关键。
简介心肌梗死 (MI) 是由于心肌部分血流不足引起的,从而导致胸痛、气短和心律失常等症状。1 值得注意的是,压力、高胆固醇、肥胖、糖尿病、吸烟和更年期都会增加 MI 的风险。2 研究表明,阿司匹林和他汀类药物等药物可以降低 MI 的风险。3,4 心房颤动 (AF) 是指心律不齐且通常很快,它会增加心脏形成血栓的风险。AF 会增加 MI 和中风的风险。5,6 在 AF 患者中,MI 的发病率比非 AF 患者高出约 50%,并且 6-21% 的急性 MI 患者同时存在 AF。7-9 此外,有高血压病史的患者患 AF 的风险较高。10 观察性研究表明 MI 和 AF 之间存在关联,并提出了几种机制。例如,MI 可以
专门针对八十年代的一个活跃女性,她有一个简短但有记录的AFIB发作,没有轻度高血压以外的心血管疾病危险因素?我坚信一种个性化的护理方法。通常,对于八十年代的一个女性,这将导致乍得 - 瓦斯(Chads-Vasc)得分(一种预测个人年度AFIB风险的工具),需要每天使用Eliquis。在剧集的时间左右服用Eliquis并不能完全保护这种类型的患者免受中风。如果我的患者不忍受药物,我们将考虑预防中风的非测定方法。当然,如果患者的偏好有很强的偏好和对不始终服用Eliquis的风险的理解,我认为这可能是逐案的讨论。但是,应非常谨慎地称量每种方法的风险与益处。